Key points are not available for this paper at this time.
IoT 지원 장치는 계속해서 엄청난 양의 데이터를 생성하고 있습니다. 지속적으로 도착하는 이 원시 데이터를 적시에 통찰로 변환하는 것은 많은 현대 온라인 서비스에 중요합니다. 이러한 환경에서 전체 데이터 세트에 대한 전통적인 데이터 분석 형태는 실시간 스트림 분석 지원에 있어 지나치게 제한적이고 비쌀 수 있습니다. 본 논문에서는 IoT 환경에서 데이터 분석을 위한 근사 컴퓨팅의 필요성을 제기합니다. 근사 컴퓨팅은 정확한 출력 대신 근사 출력이 충분한 워크플로우의 효율적인 실행을 목표로 합니다. 근사 컴퓨팅의 개념은 전체 입력 데이터 세트 대신 대표 샘플을 기반으로 계산하는 것입니다. 따라서 선택된 샘플 크기를 기반으로 한 근사 컴퓨팅은 출력 정확성과 계산 효율성 간의 체계적인 트레이드오프를 가능하게 합니다. 이는 IoT에서 근사 컴퓨팅을 위한 데이터 분석 시스템인 APPROXIOT의 설계를 유도했습니다. 이러한 아이디어를 실현하기 위해 우리는 엣지 컴퓨팅 자원을 사용하여 엄격한 오류 한계를 가진 근사 출력을 생성하는 온라인 계층화된 집계 샘플링 알고리즘을 설계했습니다. 우리의 알고리즘의 효과성을 보여주기 위해, 우리는 Apache Kafka를 기반으로 APPROXIOT를 구현하고 일련의 마이크로 벤치마크와 실제 사례 연구를 사용하여 그 효과를 평가했습니다. 우리의 결과는 APPROXIOT이 간단한 임의 샘플링에 비해 샘플 비율이 80%에서 10%로 변화할 때 1:3×-9:9×의 속도 향상을 달성한다는 것을 보여줍니다.
Wen et al. (Sun,)은 이 질문을 연구했습니다.